Sea–land segmentation of remote sensing images is of great significance to the dynamic monitoring of coastlines. However, the types of objects in the coastal zone are complex, and their spectra, textures, shapes, and distribution features are different. Therefore, sea–land segmentation for various types of coastlines is still a challenging task. In this article, a scale-adaptive semantic segmentation network, called SANet, is proposed for sea–land segmentation of remote sensing images. SANet has made two innovations on the basis of the classic encoder–decoder structure. First, to integrate the spectral, textural, and semantic features of ground objects at different scales, we designed an adaptive multiscale feature learning module (AML) to replace the conventional serial convolution operation. The AML module mainly contains a multiscale feature extraction unit and an adaptive feature fusion unit. The former can capture the multiscale detailed information and contextual semantic information of objects from an early stage, while the latter can adaptively fuse feature maps of different scales. Second, we adopted the squeeze-and-excitation module to bridge the corresponding layers of the codec so that SANet can selectively emphasize the features of the weak sea–land boundaries. Experiments on a set of Gaofen-1 remote sensing images demonstrated that SANet achieved more accurate segmentation results and obtained sharper boundaries than other methods for various natural and artificial coastlines.

中文翻译：

---

SANet：通过自适应多尺度特征学习的海陆分割网络

遥感影像海陆分割对海岸线动态监测具有重要意义。然而，沿海地区的物体类型复杂，其光谱、纹理、形状和分布特征各不相同。因此，各种类型海岸线的海陆分割仍然是一项具有挑战性的任务。在本文中，提出了一种称为 SANet 的尺度自适应语义分割网络，用于遥感图像的海陆分割。SANet 在经典的编码器-解码器结构的基础上进行了两项创新。首先，为了整合不同尺度地物的光谱、纹理和语义特征，我们设计了一个自适应多尺度特征学习模块（AML）来代替传统的串行卷积操作。AML模块主要包含多尺度特征提取单元和自适应特征融合单元。前者可以从早期捕获对象的多尺度详细信息和上下文语义信息，而后者可以自适应融合不同尺度的特征图。其次，我们采用了squeeze-and-excitation模块来桥接编解码器的相应层，以便SANet可以选择性地强调弱海陆边界的特征。在一组高分一号遥感图像上的实验表明，对于各种自然和人工海岸线，SANet比其他方法获得了更准确的分割结果并获得了更清晰的边界。前者可以从早期捕获对象的多尺度详细信息和上下文语义信息，而后者可以自适应融合不同尺度的特征图。其次，我们采用了squeeze-and-excitation模块来桥接编解码器的相应层，以便SANet可以选择性地强调弱海陆边界的特征。在一组高分一号遥感图像上的实验表明，对于各种自然和人工海岸线，SANet比其他方法获得了更准确的分割结果并获得了更清晰的边界。前者可以从早期捕获对象的多尺度详细信息和上下文语义信息，而后者可以自适应融合不同尺度的特征图。其次，我们采用了squeeze-and-excitation模块来桥接编解码器的相应层，以便SANet可以选择性地强调弱海陆边界的特征。在一组高分一号遥感图像上的实验表明，对于各种自然和人工海岸线，SANet比其他方法获得了更准确的分割结果并获得了更清晰的边界。我们采用了squeeze-and-excitation模块来桥接编解码器的相应层，以便SANet可以选择性地强调弱海陆边界的特征。在一组高分一号遥感图像上的实验表明，对于各种自然和人工海岸线，SANet比其他方法获得了更准确的分割结果并获得了更清晰的边界。我们采用了squeeze-and-excitation模块来桥接编解码器的相应层，以便SANet可以选择性地强调弱海陆边界的特征。在一组高分一号遥感图像上的实验表明，对于各种自然和人工海岸线，SANet比其他方法获得了更准确的分割结果并获得了更清晰的边界。